編輯丨coisini

電化學領域的假設構建與實驗設計主要依賴文獻經驗和研究者的直覺，其驗證過程通常耗費資源且需多次試錯，例如電解質工程需在高維參數空間中平衡多目標優化，人工窮舉測試難以實現全局最優。

雖然機器學習已用于輔助設計，但依賴昂貴的第一性原理計算和小數據集限制了模型泛化能力。因此，加速實驗流程從而高效探索化學空間依然是重大挑戰。

近期，來自約翰斯?霍普金斯大學等機構的研究團隊開發了一種自動化高通量電化學表征平臺 ——AHTech，用于快速評估液體分析物。該 Python 控制平臺整合了液體處理機器人、恒電位儀和可定制微電極束，可在微孔板中進行多樣化、高復現性的電化學測量，可最大限度地減少化學品消耗和人工操作。研究論文發表在《Science Advances》上。

論文地址：https://www.science.org/doi/10.1126/sciadv.adu4391

AHTech 平臺兼具穩健性、經濟性與高度可定制化。該平臺專為溶液電解質與氧化還原活性物質的高通量電化學表征而設計，通過協調聯動液體處理機器人、微型化電極束與恒電位儀，可實現無需人工干預的電解質配方設計與多樣化電化學測試。

AHTech 采用微孔板工作模式，既能降低試劑消耗量，又能快速獲取高質量數據，實現了電化學廣闊參數空間的高效探索。配套軟件模塊提供全自動數據分析功能，并可集成機器學習算法實現在線決策與迭代式探索研究。

圖 1：AHTech 平臺架構。（來源：論文）

值得注意的是，AHTech 采用的微電極束不僅與移液機器人完全兼容，還能通過經濟高效的柔性化設計滿足不同電化學測試需求，有助于研究實驗室快速實現低門檻技術應用。

為了驗證 AHTech 的應用潛力，研究團隊以水系鋅金屬電池（AZMBs）為例，利用 AHTech 來探索用于提高鋅金屬負極庫倫效率（CE）的小分子添加劑。

該研究系統地評估了包含 180 種小分子添加劑的化合物庫（涵蓋 575 組電解質體系實驗數據），全面考察了不同電解質條件下鋅金屬沉積的庫倫效率。

通過 SHapley 加性解釋（SHAP）和 Spearman 相關性分析，研究團隊成功從數據中提取出高性能 AZMBs 添加劑的關鍵理化特征。這些理論認識最終指導研究團隊發現了一批能夠顯著增強電化學性能的新型添加劑。

圖 2：AHTech 平臺可靠性驗證。（來源：論文）

總的來說，這項研究建立的自動化高通量實驗與先進機器學習技術相結合的研究范式 ——AHTech，可快速推廣至各類儲能與能量轉換領域，為電化學系統的開發與優化提供了高效解決方案。